Innovaties Hoe betrouwbaar en nauwkeurig zijn de modelberekeningen? In een tijdsgewricht waarin zo’n beetje alle modellen en modelberekeningen in het openbaar ter discussie worden gesteld - denk aan de actuele discussies over stikstofdepositie, of aan de modellen die geluidsoverlast door luchthavens en verkeerslawaai in beeld brengen - is het legitiem om je af te vragen hoe betrouwbaar de modelberekeningen in deze projecten van Rijkswaterstaat zijn. Ondrej Urban, senior data scientist bij HAL24K, geeft antwoord op die vraag: “De modellen in beide MGD-projecten (minst gepeilde diepte, red.) bereikten een ‘root mean squared error’ (RMSE) van ongeveer 30 centimeter, dus gemiddeld is de voorspelling ongeveer 30 centimeter verwijderd van de meting, wat voor zover wij weten een verbetering is ten opzichte van bestaande voorspellingen. Deze nauwkeurigheid kan waarschijnlijk verder worden verbeterd en we hebben een aantal ideeën over hoe we dit kunnen doen. Voor het waterkwaliteitsproject hangt de prestatie sterk af van de werkelijk gemeten parameter. Over het algemeen presteren de parameters die sterk seizoensgebonden zijn - bijvoorbeeld hoog in de zomer en laag in de winter - beter, maar er zijn ook andere factoren. Gemiddeld was de gemiddelde nauwkeurigheid ongeveer 75% voor de parameters waar het model iets heeft geleerd. Het verbeteren van de prestaties van de modellen, vereist meer werk. Daarvoor zijn zowel input van specialisten als meer data nodig.” Voorspellingen en metingen van de minst gepeilde diepte. Gemiddeld is de voorspelling ongeveer 30 centimeter verwijderd van de meting (bron: HAL24K). te voeren, kan zo met behulp van data science een meer continu beeld van de kwaliteit van het hele rivierenstelsel worden verkregen. Rivierdieptes voorspellen Voor het meten van de zogenaamde minst gepeilde diepte (MGD) in rivieren vertrouwt Rijkswaterstaat op de ruime ervaring van de inspecteurs. Die schatten dagelijks in wat de ondiepste punten van de rivier zouden zijn, om daar vervolgens metingen te verrichten. En hoewel die kennis erg waardevol is, kan data science ook hier van toegevoegde waarde zijn en extra operationele efficiëntie, objectiviteit en nauwkeurigheid bieden. Door gebruik te maken van data afkomstig van dieptemetingen, waterstanden en rivierafvoer over een afstand van meer dan 100 kilometer van de Waal, kon in een eerste studie een machinelearning-model worden ontwikkeld dat voorspelt hoe de rivierbodem zich ontwikkelt. Dit stelt de inspecteurs nog beter in staat om de meetlocaties per dag te bepalen. Recentelijk heeft HAL24K in het kader van Rijkswaterstaats innovatieprogramma De Digitale Rivier een vervolgonderzoek succesvol afgerond om MGD-modellen met externe datasets verder te ontwikkelen, zodat ze voorspellingen voor vier dagen vooruit kunnen afgeven. Hierop kan bijvoorbeeld de scheepvaart de routes en lading optimaliseren en veiliger navigeren. Meer tijd over Wat de projecten van Rijkswaterstaat en HAL24K bovenal hebben aangetoond, is de potentie van het combineren WATERFORUM SEPTEMBER 2020 43 van domein-specifieke kennis en ervaring met data science. Vooral in complexe omgevingen kunnen de disciplines elkaar versterken. Met teams die vaak op volle capaciteit werken, kunnen voorspellende, zelflerende en objectieve modellen bestaande datastromen snel verwerken en inzichten vergroten zonder meer te meten. Zo kunnen schippers vertrouwen op nog nauwkeuriger informatie voor het navigeren door verschillende rivierdieptes en hebben Rijkswaterstaatinspecteurs nog beter inzicht in de waterkwaliteit in de rivieren. Meer info: hal24k.com Voor het meten van de minst gepeilde diepte (MGD) in rivieren vertrouwt Rijkswaterstaat op de ruime ervaring van de inspecteurs. Hier kan data science van toegevoegde waarde zijn (foto: Martin van Lokven/Rijkswaterstaat/Ruimte voor de Rivier).
44 Online Touch Home